本發(fā)明屬于環(huán)境監(jiān)測，特別涉及一種智能環(huán)境監(jiān)測方法、系統(tǒng)、設(shè)備及可讀存儲介質(zhì)。

背景技術(shù)：

1、在當(dāng)前的全能性實驗室環(huán)境中，進行準(zhǔn)確的環(huán)境監(jiān)測和管理是至關(guān)重要的。環(huán)境參數(shù)對實驗結(jié)果的準(zhǔn)確性和可靠性有著顯著影響。因此，實驗室需要一套高效、精確的系統(tǒng)來監(jiān)測這些環(huán)境參數(shù)，確保實驗條件的最佳狀態(tài)。隨著技術(shù)的進步，尤其是在物聯(lián)網(wǎng)（iot）技術(shù)和機器學(xué)習(xí)領(lǐng)域，實驗室環(huán)境監(jiān)測的方法也在不斷發(fā)展和改進。傳統(tǒng)的監(jiān)測方法依賴于簡單的傳感器網(wǎng)絡(luò)和手動調(diào)整，這些方法往往無法實時捕捉環(huán)境的細微變化，也缺乏對未來環(huán)境條件變化的預(yù)測能力。此外，數(shù)據(jù)的不一致性、缺失值和噪聲等問題常常干擾數(shù)據(jù)分析的準(zhǔn)確性，導(dǎo)致環(huán)境管理決策的不準(zhǔn)確。

2、公開號為cn116451865a的中國專利公開了一種基于深度學(xué)習(xí)的環(huán)境智能監(jiān)測方法，包括獲取污染點位的歷史監(jiān)測數(shù)據(jù)；構(gòu)建預(yù)測預(yù)警模型；將所述歷史監(jiān)測數(shù)據(jù)輸入所述預(yù)測預(yù)警模型中進行訓(xùn)練，得到環(huán)境預(yù)測結(jié)果；基于所述環(huán)境預(yù)測結(jié)果制定治理方案。該發(fā)明在環(huán)境監(jiān)測過程中提取數(shù)據(jù)時并未使用特殊的數(shù)據(jù)處理方式，無法全面表達數(shù)據(jù)的特征信息，同時僅使用一種深度學(xué)習(xí)網(wǎng)絡(luò)模型對歷史監(jiān)測數(shù)據(jù)進行分析，難以全面捕捉數(shù)據(jù)中包含的復(fù)雜關(guān)系，導(dǎo)致分析結(jié)果受限。

3、公告號為cn116485202b的中國專利公開了一種基于物聯(lián)網(wǎng)工業(yè)污染實時監(jiān)測方法及系統(tǒng)，包括：獲取預(yù)設(shè)區(qū)域范圍內(nèi)的環(huán)境污染信息，根據(jù)所述環(huán)境污染信息確定污染源及污染監(jiān)測指標(biāo)；根據(jù)所述污染監(jiān)測指標(biāo)及污染源信息生成預(yù)設(shè)區(qū)域范圍內(nèi)的傳感器布設(shè)方案，獲取不同傳感器采集的污染監(jiān)測信息，將多源污染監(jiān)測信息進行特征提取，構(gòu)建污染監(jiān)測信息的多模態(tài)特征融合模型，獲取不同污染監(jiān)測信息的關(guān)聯(lián)特征，利用所述關(guān)聯(lián)特征對預(yù)設(shè)區(qū)域范圍的工業(yè)污染狀況進行監(jiān)測，分析污染發(fā)展趨勢生成污染預(yù)測信息進行污染預(yù)警。該發(fā)明通過遺傳算法依次對各污染源監(jiān)測范圍內(nèi)的傳感器布設(shè)位置進行尋優(yōu)，并對傳感器采集的污染監(jiān)測信息進行數(shù)據(jù)清洗等常規(guī)預(yù)處理，同樣并不能完全保留有效的數(shù)據(jù)信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種智能環(huán)境監(jiān)測方法、系統(tǒng)、設(shè)備及可讀存儲介質(zhì)，旨在解決目前環(huán)境監(jiān)測技術(shù)無法實時捕捉環(huán)境的細微變化、缺乏對未來環(huán)境條件變化的預(yù)測能力、生成的環(huán)境管理決策準(zhǔn)確性較低的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供一種智能環(huán)境監(jiān)測方法，包括以下步驟：

3、獲取全能性實驗室的當(dāng)前環(huán)境數(shù)據(jù)，對當(dāng)前環(huán)境數(shù)據(jù)進行智能數(shù)據(jù)處理，得到準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)，對準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用svc算法進行智能分析，得到當(dāng)前分析結(jié)果，當(dāng)前分析結(jié)果為環(huán)境量化等級參數(shù)，用于表示當(dāng)前全能性實驗室的試驗環(huán)境狀態(tài)。

4、獲取全能性實驗室的歷史環(huán)境數(shù)據(jù)，對歷史環(huán)境數(shù)據(jù)進行優(yōu)化處理，對優(yōu)化的歷史環(huán)境數(shù)據(jù)和準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用基于lstm網(wǎng)絡(luò)構(gòu)建的全能性實驗室環(huán)境預(yù)測模型進行預(yù)測性分析，得到預(yù)測性分析結(jié)果，預(yù)測性分析結(jié)果為未來環(huán)境參數(shù)的變化趨勢。

5、基于當(dāng)前分析結(jié)果和預(yù)測性分析結(jié)果對全能性實驗室的試驗環(huán)境狀態(tài)進行評估，實現(xiàn)對全能性實驗室的環(huán)境監(jiān)測。

6、優(yōu)選的，對當(dāng)前環(huán)境數(shù)據(jù)進行智能數(shù)據(jù)處理具體為：對當(dāng)前環(huán)境數(shù)據(jù)進行預(yù)處理，從預(yù)處理后的當(dāng)前環(huán)境數(shù)據(jù)中利用特征工程提取當(dāng)前環(huán)境數(shù)據(jù)特征，得到多元數(shù)據(jù)特征集，基于多元數(shù)據(jù)特征集利用多元數(shù)據(jù)融合算法進行數(shù)據(jù)特征融合處理。

7、優(yōu)選的，預(yù)處理包括去除噪聲、修正異常值、數(shù)據(jù)歸一化與數(shù)據(jù)補全融合算法，其中使用數(shù)據(jù)補全融合算法對當(dāng)前環(huán)境數(shù)據(jù)進行數(shù)據(jù)補全具體為：

8、對于每個缺失數(shù)據(jù)點，通過計算歐氏距離找到其在當(dāng)前環(huán)境數(shù)據(jù)的數(shù)據(jù)集中的最近鄰數(shù)據(jù)點，選擇最近鄰的個數(shù)據(jù)點，并為最近鄰的個數(shù)據(jù)點分配權(quán)重，權(quán)重的計算公式具體為：

9、；

10、式中，是第個最近鄰數(shù)據(jù)點相對于缺失數(shù)據(jù)點的局部漸變率；是調(diào)節(jié)因子，用以平衡距離和局部漸變率的影響；是第個最近鄰數(shù)據(jù)點與缺失數(shù)據(jù)點的距離；是調(diào)節(jié)距離影響的參數(shù)；。

11、使用加權(quán)平均公式計算缺失數(shù)據(jù)點的插補值，得到插補后的數(shù)據(jù)點，具體公式為：

12、；

13、式中，是第個缺失數(shù)據(jù)點的插補值，是缺失數(shù)據(jù)點的第個最近鄰數(shù)據(jù)點。

14、對缺失數(shù)據(jù)點的插補值進行數(shù)據(jù)一致性調(diào)整增強處理，具體公式為：

15、；

16、式中，是非線性調(diào)整指數(shù)，用于控制調(diào)整的強度和方向，以適應(yīng)不同的數(shù)據(jù)分布特性；、是整體當(dāng)前環(huán)境數(shù)據(jù)的方差和均值；是經(jīng)過數(shù)據(jù)一致性調(diào)整增強處理的第個數(shù)據(jù)點；是最近鄰的個數(shù)據(jù)點的均值；是最近鄰的個數(shù)據(jù)點的方差。

17、優(yōu)選的，基于多元數(shù)據(jù)特征集利用多元數(shù)據(jù)融合算法進行數(shù)據(jù)特征融合處理具體為：

18、對多元數(shù)據(jù)特征集進行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化處理后的多元數(shù)據(jù)特征集，并將由個樣本的標(biāo)準(zhǔn)化處理后的多元數(shù)據(jù)特征集構(gòu)成多維數(shù)據(jù)特征集。

19、采用多項式核和徑向基核相結(jié)合的方式，對多維數(shù)據(jù)特征集中的每個特征進行非線性擴展，具體計算公式為：

20、；

21、式中，是多維數(shù)據(jù)特征集第個樣本在第個擴展特征維度上的特征數(shù)據(jù)；是多維數(shù)據(jù)特征集第個樣本；是多維數(shù)據(jù)特征集第個樣本；是核函數(shù)；是多項式核函數(shù)中的貢獻度系數(shù)，用于調(diào)節(jié)第個特征維度在擴展特征中的貢獻度；是多項式的階數(shù)；是特征維度；是徑向基核函數(shù)中的參數(shù)；是樣本和之間的歐氏距離的平方；最終由構(gòu)成擴展特征維度上的特征數(shù)據(jù)。

22、將擴展特征維度上的特征數(shù)據(jù)通過多核組合函數(shù)進行映射，得到經(jīng)過混合核映射后的特征數(shù)據(jù)，映射函數(shù)具體為：

23、；

24、式中，是經(jīng)過混合核映射后的特征數(shù)據(jù)，用表示；是第個核函數(shù)；是第個核函數(shù)的權(quán)重系數(shù)，通過拉格朗日優(yōu)化得到；是核函數(shù)的個數(shù)。

25、對映射后的特征數(shù)據(jù)進行小波變換，根據(jù)小波系數(shù)進行協(xié)同特征交互融合，通過分析不同特征之間的相互作用，構(gòu)建交互矩陣，從而生成最終的融合特征集，所述交互矩陣的計算公式為：

26、；

27、式中，是經(jīng)過混合核映射后的特征和之間的交互矩陣元素，表示特征之間的相互作用強度；是特征第層的小波系數(shù)；是特征第層的小波系數(shù)；通過周期性的變化調(diào)整特征間相互作用的強度；是小波系數(shù)層數(shù)。

28、最后，對經(jīng)過標(biāo)準(zhǔn)化處理后的多維數(shù)據(jù)特征集計算特征數(shù)據(jù)的協(xié)方差矩陣，并計算協(xié)方差特征矩陣的特征值和對應(yīng)的特征向量，根據(jù)特征值的大小，選擇前個最大的特征值對應(yīng)的特征向量，被選擇的特征向量為主特征，基于選擇的主特征矩陣，得到最終的融合特征表示：

29、；

30、其中，是最終融合特征，即準(zhǔn)確的環(huán)境參數(shù)數(shù)據(jù)；是通過構(gòu)成的交互矩陣，是由選定的主特征構(gòu)成的矩陣。

31、優(yōu)選的，對歷史環(huán)境數(shù)據(jù)進行優(yōu)化處理具體為：對歷史環(huán)境數(shù)據(jù)進行包括填充缺失值、去除噪聲、修正異常值、數(shù)據(jù)歸一化的數(shù)據(jù)處理，在數(shù)據(jù)處理后對歷史環(huán)境數(shù)據(jù)使用動態(tài)周期性捕獲算法進行重構(gòu)優(yōu)化，在對優(yōu)化處理后的歷史環(huán)境數(shù)據(jù)利用特征工程構(gòu)造代表歷史環(huán)境數(shù)據(jù)的歷史數(shù)據(jù)特征集。

32、優(yōu)選的，在數(shù)據(jù)處理后對歷史環(huán)境數(shù)據(jù)使用動態(tài)周期性捕獲算法進行重構(gòu)優(yōu)化具體為：

33、采用傅里葉變換對歷史當(dāng)前環(huán)境數(shù)據(jù)在不同時間尺度上進行分解，分解為不同頻率的成分。

34、通過計算每個頻率成分的自相關(guān)性，并結(jié)合其振幅確定該頻率成分的周期性評分，具體為：

35、；

36、式中，是第個頻率成分的周期性評分，是第個頻率成分在延遲時的自相關(guān)函數(shù)，延遲是自相關(guān)計算中使用的時間間隔，表示第個延遲；是延遲次數(shù)；是第個頻率成分的振幅；，是分解的頻率成分的總數(shù)。

37、根據(jù)每個頻率成分的周期性評分使用softmax函數(shù)動態(tài)分配權(quán)重。

38、利用加權(quán)的頻率成分重構(gòu)時間序列，將分解后、經(jīng)過權(quán)重調(diào)整的頻率成分重新組合，形成優(yōu)化后的歷史當(dāng)前環(huán)境數(shù)據(jù)，具體公式為：

39、；

40、式中，是優(yōu)化后的歷史當(dāng)前環(huán)境數(shù)據(jù)；是第個頻率成分的權(quán)重；是第個頻率成分的頻率；是時間；是第個頻率成分的相位。

41、優(yōu)選的，基于當(dāng)前分析結(jié)果和預(yù)測性分析結(jié)果對全能性實驗室的試驗環(huán)境狀態(tài)進行評估，實現(xiàn)對全能性實驗室的環(huán)境監(jiān)測具體為：

42、針對當(dāng)前分析結(jié)果，按照統(tǒng)計分析方法，得到當(dāng)前全能性實驗室的環(huán)境量化等級；針對預(yù)測分析結(jié)果，按照時間序列分析技術(shù)，利用預(yù)測性分析結(jié)果分析得到未來環(huán)境參數(shù)的變化趨勢，識別未來趨勢的升降波動范圍。

43、使用決策樹分析方法，根據(jù)得到的當(dāng)前全能性實驗室的環(huán)境量化等級與未來環(huán)境參數(shù)的變化趨勢提供操作建議，實現(xiàn)對全能性實驗室的環(huán)境監(jiān)測。

44、另一方面，本發(fā)明提供一種智能環(huán)境監(jiān)測系統(tǒng)，所述系統(tǒng)采用如本發(fā)明任一實施例所述的一種智能環(huán)境監(jiān)測方法進行環(huán)境監(jiān)測，包括當(dāng)前環(huán)境分析模塊、歷史環(huán)境分析模塊與環(huán)境監(jiān)測評估模塊。

45、當(dāng)前環(huán)境分析模塊，用于獲取全能性實驗室的當(dāng)前環(huán)境數(shù)據(jù)，對當(dāng)前環(huán)境數(shù)據(jù)進行智能數(shù)據(jù)處理，得到準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)，對準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用svc算法進行智能分析，得到當(dāng)前分析結(jié)果，當(dāng)前分析結(jié)果為環(huán)境量化等級參數(shù)；

46、歷史環(huán)境分析模塊，用于獲取全能性實驗室的歷史環(huán)境數(shù)據(jù)，對歷史環(huán)境數(shù)據(jù)進行優(yōu)化處理，對優(yōu)化的歷史環(huán)境數(shù)據(jù)和準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用基于lstm網(wǎng)絡(luò)構(gòu)建的全能性實驗室環(huán)境預(yù)測模型進行預(yù)測性分析，得到預(yù)測性分析結(jié)果，預(yù)測性分析結(jié)果為未來環(huán)境參數(shù)的變化趨勢。

47、環(huán)境監(jiān)測評估模塊，用于基于當(dāng)前分析結(jié)果和預(yù)測性分析結(jié)果對全能性實驗室的試驗環(huán)境狀態(tài)進行評估，實現(xiàn)對全能性實驗室的環(huán)境監(jiān)測。

48、再一方面，本發(fā)明還提供一種電子設(shè)備，所述電子設(shè)備包括：存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如本發(fā)明任一實施例所述的一種智能環(huán)境監(jiān)測方法。

49、再一方面，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明任一實施例所述的一種智能環(huán)境監(jiān)測方法。

50、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

51、1.本發(fā)明通過引入數(shù)據(jù)補全融合算法，能夠有效地處理缺失值問題和數(shù)據(jù)的不一致性，保證了數(shù)據(jù)集的完整性和統(tǒng)一性，為后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練提供準(zhǔn)確數(shù)據(jù)；通過計算協(xié)方差矩陣、特征值、特征向量，以及選擇主特征進行數(shù)據(jù)轉(zhuǎn)換，實現(xiàn)了數(shù)據(jù)維度的降低和信息的有效融合，降低了后續(xù)處理的復(fù)雜度，增強了數(shù)據(jù)集中最重要信息的表示能力；整個過程提供了一種系統(tǒng)的方法來處理和分析當(dāng)前環(huán)境數(shù)據(jù)，根據(jù)不同的環(huán)境監(jiān)測需求進行調(diào)整和優(yōu)化，提高了處理流程的適應(yīng)性。

52、2.本發(fā)明通過svm技術(shù)對融合后的數(shù)據(jù)特征集進行智能分析，能夠準(zhǔn)確地分類當(dāng)前全能性實驗室的環(huán)境狀態(tài)，并用環(huán)境量化等級參數(shù)表示，提高環(huán)境狀態(tài)監(jiān)測的準(zhǔn)確性；利用lstm網(wǎng)絡(luò)對歷史環(huán)境數(shù)據(jù)進行分析，結(jié)合動態(tài)周期性捕獲算法，能夠準(zhǔn)確捕獲當(dāng)前環(huán)境數(shù)據(jù)中的非線性趨勢和周期性變化，增強的預(yù)測能力使得實驗室管理者可以提前做出調(diào)整，以適應(yīng)預(yù)期的環(huán)境變化，優(yōu)化實驗室的運營效率；通過對歷史當(dāng)前環(huán)境數(shù)據(jù)進行傅里葉變換分解，并利用動態(tài)周期性捕獲算法重構(gòu)時間序列，能夠深入理解并揭示環(huán)境數(shù)據(jù)中的多層次周期性特征，高度理解有助于預(yù)測和應(yīng)對復(fù)雜的環(huán)境變化，確保實驗室條件始終處于最優(yōu)狀態(tài)。